En el aprendizaje débilmente supervisado, las etiquetas disponibles para entrenar un modelo no son tan precisas o confiables como las de un conjunto de datos idealmente etiquetado a mano: pueden ser aproximadas, parciales, generadas por reglas automáticas, o inferidas indirectamente de otra fuente de datos.
Por qué es una alternativa práctica valiosa
Obtener etiquetas perfectas para grandes volúmenes de datos suele ser costoso o directamente inviable; aprovechar señales de supervisión más débiles pero mucho más abundantes y económicas de obtener permite entrenar modelos razonablemente buenos sin ese costo, aunque generalmente a cambio de algo de precisión.